論文の概要: AutoPET Challenge: Combining nn-Unet with Swin UNETR Augmented by Maximum Intensity Projection Classifier

• arxiv url: http://arxiv.org/abs/2209.01112v1
• Date: Fri, 2 Sep 2022 15:20:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-05 12:57:00.406720
• Title: AutoPET Challenge: Combining nn-Unet with Swin UNETR Augmented by Maximum Intensity Projection Classifier
• Title（参考訳）: AutoPET チャレンジ:最大強度投影分類器による nn-Unet と Swin UNETR の併用
• Authors: Lars Heiliger, Zdravko Marinov, Andr\'e Ferreira, Jana Fragemann, Jacob Murray, David Kersting, Rainer Stiefelhagen, Jens Kleesiek
• Abstract要約: AutoPET Challengeは900人の患者のFDG-PET/CTスキャンを備えた公開データセットを提供する。 肺がん,黒色腫,リンパ腫と診断された症例のDiceスコアは72.12%であった。
• 参考スコア（独自算出の注目度）: 15.924886815041774
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tumor volume and changes in tumor characteristics over time are important biomarkers for cancer therapy. In this context, FDG-PET/CT scans are routinely used for staging and re-staging of cancer, as the radiolabeled fluorodeoxyglucose is taken up in regions of high metabolism. Unfortunately, these regions with high metabolism are not specific to tumors and can also represent physiological uptake by normal functioning organs, inflammation, or infection, making detailed and reliable tumor segmentation in these scans a demanding task. This gap in research is addressed by the AutoPET challenge, which provides a public data set with FDG-PET/CT scans from 900 patients to encourage further improvement in this field. Our contribution to this challenge is an ensemble of two state-of-the-art segmentation models, the nn-Unet and the Swin UNETR, augmented by a maximum intensity projection classifier that acts like a gating mechanism. If it predicts the existence of lesions, both segmentations are combined by a late fusion approach. Our solution achieves a Dice score of 72.12\% on patients diagnosed with lung cancer, melanoma, and lymphoma in our cross-validation. Code: https://github.com/heiligerl/autopet_submission
• Abstract（参考訳）: 腫瘍量と腫瘍特性の経時的変化は癌治療の重要なバイオマーカーである。 この文脈では、FDG-PET/CTスキャンは、高代謝領域において、ラジオラベルのフルオロデオキシグルコースを取り込み、がんのステージングと再ステージングに日常的に使用される。 残念なことに、高代謝のこれらの領域は腫瘍に特異的ではなく、正常な機能する臓器、炎症、感染症による生理的取り込みを表わし、これらのスキャンで詳細で信頼性の高い腫瘍の分節が要求されるタスクとなる。 この研究のギャップはAutoPETチャレンジによって解決され、900人の患者からのFDG-PET/CTスキャンによる公開データセットを提供し、この分野のさらなる改善を促進する。 この課題への我々の貢献は、2つの最先端セグメンテーションモデルであるnn-UnetとSwin UNETRのアンサンブルであり、ゲーティング機構のように作用する最大強度投影分類器によって強化されている。 病変の存在を予測すれば、両方のセグメンテーションは後期融合アプローチによって結合される。 肺癌, 悪性黒色腫, リンパ腫と診断された患者に対し, diceスコアは72.12\%であった。 コード: https://github.com/heiligerl/autopet_submission

関連論文リスト

• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• AutoPET Challenge 2023: Sliding Window-based Optimization of U-Net [30.142259166452693]
  FDG-PETスキャンは、健康な組織において不規則なグルコース消費をがんと誤解する可能性がある。 AutoPETの課題は、1014 FDG-PET/CT研究のデータセットを提供することである。
  論文  参考訳（メタデータ） (2023-09-21T14:34:17Z)
• A Localization-to-Segmentation Framework for Automatic Tumor Segmentation in Whole-Body PET/CT Images [8.0523823243864]
  本稿では,腫瘍の正確な分節化のための局在化・分節化フレームワーク(L2SNet)を提案する。 L2SNetは、まず、病変の局所化段階における可能性のある病変を局在させ、次いで、病変の分節フェーズにおけるセグメント化結果を形成するために位置手がかりを使用する。 全身FDG-PET/CTチャレンジデータセットにおけるMII自動病変を用いた実験により,本手法が競争力のある結果を示した。
  論文  参考訳（メタデータ） (2023-09-11T13:39:15Z)
• CancerUniT: Towards a Single Unified Model for Effective Detection, Segmentation, and Diagnosis of Eight Major Cancers Using a Large Collection of CT Scans [45.83431075462771]
  ヒトの読者や放射線医は、臨床実践において、全身多臓器多臓器の検出と診断を日常的に行う。 ほとんどの医療用AIシステムは、いくつかの疾患のリストの狭い単一の臓器に焦点を当てて構築されている。 CancerUniT は、マルチ腫瘍予測の出力を持つクエリベースの Mask Transformer モデルである。
  論文  参考訳（メタデータ） (2023-01-28T20:09:34Z)
• Whole-body tumor segmentation of 18F -FDG PET/CT using a cascaded and ensembled convolutional neural networks [2.735686397209314]
  本研究の目的は、18F-FDG PET/CT画像全体において癌疑い領域を自動的に分割するディープニューラルネットワークの性能を報告することである。 PET/CT画像を6mmの解像度で3D UNET CNNの重ね合わせで処理するケースドアプローチを開発した。
  論文  参考訳（メタデータ） (2022-10-14T19:25:56Z)
• A Pathologist-Informed Workflow for Classification of Prostate Glands in Histopathology [62.997667081978825]
  病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。 がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。 本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
  論文  参考訳（メタデータ） (2022-09-27T14:08:19Z)
• Automatic Tumor Segmentation via False Positive Reduction Network for Whole-Body Multi-Modal PET/CT Images [12.885308856495353]
  PET/CT画像評価では,腫瘍の自動切除が重要なステップである。 既存の方法は腫瘍領域を過剰に分離し、正常な高臓器、炎症、その他の感染症などの領域を含む傾向がある。 この制限を克服するために、偽陽性削減ネットワークを導入します。
  論文  参考訳（メタデータ） (2022-09-16T04:01:14Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Multimodal Spatial Attention Module for Targeting Multimodal PET-CT Lung Tumor Segmentation [11.622615048002567]
  マルチモーダル空間アテンションモジュール(MSAM)は腫瘍に関連する領域を強調することを学ぶ。 MSAMは一般的なバックボーンアーキテクチャやトレーニングされたエンドツーエンドに適用できる。
  論文  参考訳（メタデータ） (2020-07-29T10:27:22Z)
• Segmentation for Classification of Screening Pancreatic Neuroendocrine Tumors [72.65802386845002]
  本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。 我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。 我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
  論文  参考訳（メタデータ） (2020-04-04T21:21:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。